基于机器视觉的陶瓷基复合材料的螺纹表面缺陷检测

殷明帅，曾 旭，黄佳雯

(1.景德镇陶瓷大学 机械电子工程学院，江西 景德镇 333403；2.景德镇学院 机械电子工程学院，江西 景德镇 333000)

0 引言

螺纹在汽车制造、军工制造、航空航天等工业领域应用广泛。以陶瓷材料为复合基的螺纹常用于高精密部件中。因此，对其表面精度检测要求极高。螺纹材质不同，螺纹的功能与质量也会有很大差异。以Si3N4颗粒为陶瓷基复合材料的螺纹具有刚度好、硬度高、耐磨以及稳定性强的特点。但是，在机加工过程中，常常由于螺纹材质[1]的影响以及机加工时刀具的材质和机床的稳定性导致生产出来的螺栓存在螺纹底部凹陷、螺纹顶部划伤、划痕等表面缺陷。若使用有表面缺陷的螺纹，很大程度上导致内外螺纹配合不紧密，存在很大的安全隐患，造成无法预计的后果。故对基于机器视觉的螺纹表面缺陷检测[2]效率以及螺纹的质量评估具有重大意义。以往的人工检测法成本较高、效率低下。机器视觉技术[3]主要是利用光电成像、计算机图像处理和模式识别技术来检测对象。相对传统检测的优势在于能够进行非接触式的自动检测，提高了生产效率，满足了现代工业高效率的需求。机器视觉识别技术作为一门新兴的检验技术，在陶瓷工业领域迅速兴起。其用于检测陶瓷类制品表面缺陷、分类识别等领域的品质性能。

为此，国内外学者开始研究基于机器视觉的非接触式检测算法以提高算法的准确性与速率。景敏等[4]为了完成螺纹的参数测量，采用了一种以摘去其原有目镜的工具显微镜作为基础，加装一套CCD 成像器件的方法。郭联金等[5]利用Open CV、VS2008 等软件开发平台开发了螺纹头部槽型识别及表面缺陷识别的机器视觉系统。搭建机器视觉自动检测系统，优化视觉算法以此提高检测效率。目前的算法大多是在空域或者利用傅里叶变换在频域上对图像进行滤波处理，较以前的人工检测法效率大大提高。但是，算法还有可以优化的空间。由此，提出了利用MATLAB 中SWT算法进行滤波处理，图像平滑[6]。

机器视觉自动检测系统对螺纹表面缺陷检测的应用中，实现了对螺纹图像的实时采集以及图像处理。经过对图像处理结果的分析判定，得到图像中缺陷类型以及尺寸，从而实现对缺陷的检测。采用 CCD 相机采集表面缺陷图像，在MATLAB 中分析螺栓外螺纹表面缺陷特征。采用SWT 变换、FFT 变换、低通滤波、缺陷提取及边缘检测等操作[7]，对外螺纹表面缺陷进行识别分类并将结果反馈给下个工站，从而更加有效地识别次品。此方法为判定外螺纹是否合格提供了有利、可靠的依据。基于机器视觉SWT[8]变换的螺纹表面缺陷检测技术具有重大的算法参考价值，在很大程度上提高生产效率，进而得到更高质量的产品。

1 表面缺陷检测系统

1.1 检测装置系统组成

检测以Si3N4颗粒为陶瓷基材料制造的螺纹机器视觉检测系统主要由工业CCD 相机、镜头、LED光源、运动控制系统和PC 机构成。系统的结构框架图如图1 所示。

图1 外螺纹表面缺陷检测系统的框架Fig.1 External thread surface defect detection system

在检测螺纹表面缺陷时，首先要将螺栓固定在机械结构运动控制平台上进行定位。工控机借助计算机程序启动相机，结合运动控制系统来采集待检测螺纹的图像。CCD 工业相机会将采集的实时图像传输到工控机等待处理和判断。工控上运行的系统软件对采集到的外螺纹图像进行预处理、增强、分割、标记、识别和判定等处理，最终实现对外螺纹表面缺陷的非接触式自动检测。

表面缺陷检测装置主要由工件承载台、定位机构、检测平台架和旋转机构构成。

（1）工件承载台：主要用于承载陶瓷基复合材料的螺纹。

（2）定位机构：主要对工件起到定位夹紧的作用。

（3）检测平台架：检测平台架为整个实验平台的龙骨，形成稳定的工作环境。

（4）旋转机构：旋转机构的功能是原地旋转样品，辅助图像采集模块完成对表面图像采集从而获得实时图像。系统的运行效率和检测精度由该系统机械部分决定，机械部分是该系统实现数据采集的基础部件。

1.2 缺陷检测算法流程

在图像的实时采集、传输过程中，常常会由于环境、设备以及传输过程中不稳定因素的干扰，采集的实时图像不可避免地带有噪声信息。噪声的大小对图像的质量产生非常大的影响。过大的噪声信息会使感兴趣区域的特征和噪声混淆，甚至将实际感兴趣区域的特征淹没掉，从而导致图像后期处理无法进行下去。因此，减小噪声甚至消除噪声，是如何增大信噪比成为图像处理环节的一个重要步骤。

（1）硬件组建的搭建。将螺栓工件固定在机械结构运动控制平台上，开启电源进行打光调试。调试完成后开始采集实时图像，PC 机获取原始图像。

（2）PC 机获取原始图像后开始进行图像处理，分为图像预处理和图像后期处理。图像预处理主要起到平滑图像的作用，目的是消除高频噪声对感兴趣目标区域的干扰。采用正逆SWT 变换、正逆FFT 变换、低通滤波等将图像由空域转换到频域，利用小波变换的时空结合特性将近似系数与小波系数求解出来。因为近似系数几乎包含了所有的缺陷特征，而近似系数与噪声几乎都为高频信号，故采用低通滤波器进行滤波再转换到空域进行图像增强。

（3）后期图像处理的作用是识别外螺纹表面缺陷并将其分类。同时，将处理后的图像通过PC机显示出来，利用缺陷提取及Canny 边缘检测算子等进行处理。

（4）PC 机将实时图像的处理结果反馈到下个流程，通过机械手臂将缺陷残次品夹取出来。外螺纹表面缺陷检测流程如图2 所示。

图2 外螺纹表面缺陷检测流程图Fig.2 Flow chart of detection algorithm for external thread surface defects

上述缺陷检测算法经过小波变换与高斯去噪模型将复杂噪声背景下的缺陷先原始图像进行去噪处理，将多种类型的噪声信号从图形中去除并且保留了缺陷特征。与传统缺陷检测算法相比较，文中所提缺陷检测算法可以同时针对多种噪声信号进行去噪处理并保留缺陷特征信息，对复杂环境下原始缺陷图像的检测识别具有良好的适用性。

2 实验结果分析

为验证所提算法对外螺纹表面缺陷检测识别的准确率以及算法本身的稳定性，通过视觉系统拍摄50 张外螺纹表面缺陷图像进行检测识别实验，实验过程中图像处理如图3 所示。

图3 外螺纹表面缺陷检测过程Fig.3 Process of external thread defect surface inspection

实验时对于不同颜色、不同直径、不同材质、不同缺陷的螺纹以及没有缺陷的螺纹都需要重复实验验证多次。牙顶、牙底，以及无缺陷的图像采用了50 幅图像，实验统计结果如表1 所示。

表1 螺纹检测结果Tab.1 Detecting result of screw thread

3 结 论

（1）基于机器视觉的SWT 算法对外螺纹表面缺陷进行检测，搭建外螺纹表面缺陷自动检测系统。缺陷图像预处理采用了具有良好通用性的SWT、Canny 算法，处理效果良好。基于机器视觉的缺陷检测准确可靠率高达95 %以上，且效率相较传统方法要高。

（2）采用CCD 相机采集外螺纹表面缺陷实时图像，分析外螺纹表面缺陷特征。通过SWT、FFT、Gauss low-pass filtering、缺陷提取，以及边缘检测等提取外螺纹表面缺陷。该方法高效准确，对今后外螺纹表面缺陷检测的算法研究有一定的参考意义。